谷歌今天推出了一个新的参考架构,旨在帮助金融机构在谷歌公有云平台上部署来自SWIFT SC的技术。
SWIFT(Society for Worldwide Interbank Financial Telecommunication)是一家总部位于比利时的组织,运营着同名的国际支付网络。谷歌今天推出了一个新的参考架构,旨在帮助金融机构在谷歌公有云平台上部署来自SWIFT SC的技术。
金融机构使用一套名为Alliance Connect的技术访问SWIFT网络,该套件中包括了使银行能够建立与SWIFT安全VPN连接的硬件设备。Alliance Connect硬件设备通常是运行在金融机构本地数据中心内的。
SWIFT最近推出了一款名为Alliance Connect Virtual的新产品,让银行能够将其云环境连接到SWIFT网络。Alliance Connect Virtual正式谷歌今天详细介绍的参考架构重点。
参考架构是简化部署新技术过程的一种蓝图。谷歌正在制定这样一个蓝图,让金融机构更容易地将他们的谷歌云部署连接到SWIFT。谷歌表示,该产品将于今年晚些时候面市。
谷歌云解决方案架构师Chris Page解释道。“通常组织需要在本地或者托管数据中心托管SWIFT基础设施硬件,或者使用来自外部第三方的SWIFT服务。Alliance Connect Virtual是一种新的网络连接解决方案,让SWIFT客户能够将基于传统物理硬件的SWIFT VPN连接部署为公有云中的虚拟设备。”
谷歌正在开发的这个参考架构中包含了多个组件。据Page称,该架构包括可以在谷歌云上运行的SWIFT软件产品,此外还有一些硬件组件,金融机构可以部署在托管设施中。
这个参考架构运行在云中,参考架构中的组件采用了多种谷歌云服务。谷歌的Cloud Key Management,利用加密密钥来保护敏感数据;谷歌的Cloud Interconnect网络服务,可以帮助组织链接到托管设施,其中保存了参考架构实施的硬件组件。
Page详细介绍说:“整个架构包括了带有状态防火墙的私有VPC网络,用于SWIFT应用、SWIFTVPN和SWIFT网络之间的流出/流入流量。”
谷歌还承诺将为客户带来很多好处。金融机构使用谷歌云可以访问该平台的数据分析和机器学习服务,有助于找到提高运营效率的机会,此外还可以降低数据中心成本。“SWIFT VPN等虚拟化SWIFT组件让客户能够在优化的虚拟化平台上运行,让客户无需与托管服务提供商签订单独的许可协议。”
网络安全是谷歌架构帮助客户简化运营的另一个方面。金融机构要使用SWIFT网络的话,就必须遵守一系列名为SWIFT Customer Security Controls Framework的安全要求。谷歌云提供了一套广泛的功能来保护云部署免受黑客攻击。
金融领域是谷歌发展云服务的一个重点领域。去年5月,谷歌云推出了Datashare产品,让银行等组织更容易访问市场数据。几个月后,谷歌云推出了一系列旨在帮助银行使用谷歌地图为消费者提供更好用户体验的功能。
搜索巨头为扩大自身在金融领域的影响力而所做的努力,已经取得了成效。过去几个月谷歌相继宣布与几家主要的金融机构达成交易,包括KeyBank、纽约梅隆银行和交易所运营商CME Group。
好文章,需要你的鼓励
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。